大模型时代，我训练了一款小模型(4MB)

前情提要：开发了一款轻量养车记账软件，欢迎油车电车高端人士体验（ 7 天前发的上篇）

这 7 天更新了什么

一句话：把「 AI 帮你记」背后的模型，从手机上跑一个 2.33GB 的大模型，换成了自己训练的 4.5MB 小模型 lingxi （灵犀） 0.1.0，纯 Dart 推理、无任何原生依赖。

• 默认识别档位已切到 lingxi-0.1.0（下载体积从 GB 级墙降到 4.5MB ，MB 级不再强制 Wi-Fi ）
• 支持一句话记多笔：「昨天加油 300 。今天洗车 30 。」→ 自动拆成两条草稿，日期各自正确
• AI 草稿页支持增删改、批量落库、低置信度字段标记「请核对」
• 加了识别反馈（准/不准），真实语料从 55 条扩到 390 条，并修了一批评测集卫生问题
• 契约升到 v2 （全角句号从”小数点”里放出来，成为句子边界），模型零重训直接受益

为什么不用大模型

上篇评论区有人担心「端侧 AI 会让人变傻」，但其实更尴尬的是技术账：让一个通用 LLM 做槽位抽取，等于让它承担本该由规则承担的活——中文数字换算、元→分乘 100 、相对日期推算、句中多数字消歧、备注改写。

于是引入两类最难防的错：金额量级错误（×100 出错，7 元记成 700 元，用户会漏过去）和备注幻觉（编造原文不存在的文本，污染账本）。而且抽取任务真正承载的决策信息只有约 3 bit ，LLM 是按语言建模约 45 bit 造的，纯粹浪费容量。

所以我换了个思路：候选枚举 → 模型选择 → 规则解引用。

"呃，昨天在壳牌那儿，95 的加了 42 升，367 块 8"
① 枚举   把所有片段编号，并顺手把计算全做完：
         N1=42 升(42.0)  N2=367 块 8(=36780 分)  D0=昨天(=设备当天-1)
② 标记   ⟨N1⟩42 升 ⟨N2⟩367 块 8
③ 模型   一次前向：指出 N2 是金额、N1 是升数、D0 是日期、类别=加油
④ 解引用 按编号取回算好的值 → 草稿

模型从头到尾没做过一次算术、没做过一次日期换算、没写过一个原文不存在的字。中文数字、小数、心算、自我改口、多数字消歧、相对日期这六类难题，从”生成/计算”坍缩成了”选择”，容量需求直接掉两个数量级，且结构上不可能幻觉——它只能指认候选。

lingxi 0.1.0 本身

评测（这是我最想吹也最想交代的部分）：

• 金标准集 320 条：100%（纯规则基线 95.9%）
• 真实语料 390 条：90.3%（注意：这个数字是在语料从 55 扩到 390 之后重测的，旧 55 条桥接子集仍是 94.5% 纹丝不动——分数下降是标尺变诚实，不是模型退化）
• 未见说法切片：54.5%，规则基线只有 27.3% ← 这 27pp 就是模型存在的全部理由
• 拒答召回：93.2%（拿不准就拒绝，不硬猜）
• Python 训练侧与 Dart 端侧：数百条端到端决策完全一致，logits 误差 < 1e-3

一个反直觉的结论来自容量扫参：精度和参数量几乎无关——630K 参数金标准已 100%，14.5M 无任何可辨识提升，瓶颈是数据与词汇覆盖而不是模型大小。当务之急是把评测集做大，而不是把模型做大。

训练数据怎么来的？模板族合成 + 用 qwen3:14b 当”教师”只借它的词汇多样性（一次问 30 种说法：「给车洗了个澡」「掏了过路费」「补点电」……），模式引擎再乘上槽位空间生成十万级样本；评测诚信纪律是生成的说法与评测集任何文本重合一律丢弃。整个训练链路、契约、测试向量都在 pitstop-ml/ 工作区，权重发布到 HuggingFace ，有防回归门禁。

这周踩的坑（省略一万字版）

1. 真实语料只有 55 条时，模型和 0.75 vs 1.00 的差别都是自欺，先把评测集做大再谈调模型；
2. 全角句号曾被归一化成小数点，导致分句器刻意躲着句号走——把它从映射表放出来当句子边界后，「昨天加油 300 。今天洗车 30 。」自然就对了；
3. 纯 Dart 没有 int8 SIMD ，int8 只用来存（省下载），计算仍走 fp32——下载体积和计算精度就此解耦。

App 还是那款不上应用商店的养车记账（本地单机 / 在线共享双模式，多车、固定费用、统计都有），现在多了个 4.5MB 的 AI 帮你记。下载：https://pitstops.top

模型仓库：https://huggingface.co/XiaoDaZhen/pitstop-lingxi-0.1.0（ slot.ptw ，4.49MB ）

有任何想问的尽管问，我很乐意展开聊。